إطار تعلم معزز تطوري للمرونة ضد الأخطاء والكفاءة الطاقية والثبات الطوبولوجي في شبكات الاستشعار اللاسلكية

لماذا تهم شبكات الاستشعار الذكية

من الزراعة الدقيقة إلى أنظمة الإنذار بالكوارث، تراقب شبكات الاستشعار اللاسلكية عالمنا بهدوء. تُجمَع البيانات بواسطة أجهزة صغيرة تعمل بالبطاريات متناثرة في المدن والمصانع والغابات والمستشفيات ثم تُرسَل لتحليلها. لكن بما أن هذه الحساسات رخيصة وبعيدة وصعبة الصيانة، فهي تتعطل كثيراً وتستهلك طاقتها بسرعة. تستعرض هذه الورقة طريقة جديدة للحفاظ على عمل هذه الشبكات لفترة أطول وبموثوقية أكبر وبمداخلات بشرية أقل، باستخدام إطار تعلم ذكي يسمى EvoGenRL.

مشكلة الحساسات المتعبة والمعطلة

تضطر شبكات الاستشعار اللاسلكية إلى موازنة حاجات متعددة في آنٍ واحد. كل عقدة تملك طاقة بطارية وحساباً محدودين جداً. قد تتسبب الأحوال الجوية أو التلف المادي أو التداخل في تعطل العقد أو الروابط، مما يكسر مسارات الاتصال. ومع ازدياد حجم الشبكات وتعقيدها، تتغير أحمال المرور والظروف المحيطة باستمرار. عادةً ما تتعامل الطرق التقليدية مع جانب واحد فقط، مثل توفير الطاقة أو تحسين التوجيه، وغالباً ما تُصمم لظروف ثابتة ويمكن التنبؤ بها. نتيجة لذلك، عندما تتراكم الأعطال أو تتغير الظروف، قد تعاني هذه الشبكات من فقدان بيانات، وزيادة التأخير، وتقصر أعمارها.

مخّ تعلّمي لشبكات الحساسات

لمعالجة ذلك، صمم المؤلفون EvoGenRL، إطار تعلمٍ مركب يتعامل مع الشبكة كنظام قادر على التعلم من التجربة. في جوهره يوجد التعلم المعزز، وهو أسلوب تجريبي حيث يراقب وكيل ذكي حالة الشبكة — مثل مستويات البطارية، نجاح التسليم، والأعطال الأخيرة — ويختار إجراءات مثل تغيير المسارات، إدخال بعض العقد في حالة نوم، أو إعادة إرسال البيانات. تكافئ الأفعال التي توفّر الطاقة، وتوصل المزيد من الحزم، وتتعافى بسرعة أكبر من الأعطال، فتحفز الوكيل على سلوكٍ أفضل على المدى الطويل. هذا يحوّل التحكم في الشبكة من قواعد ثابتة إلى سياسة تكيفية تتحسن مع ممارستها مواقف جديدة.

تخيّل المشكلات قبل حدوثها

إحدى الصعوبات الرئيسية لأي نظام تعلم هي تدريبه على ما يكفي من الحالات الواقعية، لا سيما الأعطال النادرة ولكن الضارة. يتعامل EvoGenRL مع ذلك باستخدام شبكات تنافسية توليدية، وهي فئة من النماذج قادرة على اختراع بيانات جديدة تشبه الأمثلة الحقيقية. هنا، يقوم مولد بصنع أنماط محتملة لأعطال الحساسات — مثل تجمعات من العقد المعطلة أو اندفاعات من التداخل — بينما يقدّر مميز ما إذا كانت هذه الأنماط تشبه الأحداث المسجلة الحقيقية. من خلال تنافسهما، ينتج المولد مجموعة غنية من سيناريوهات الأعطال المعقولة. تمزج هذه الحالات الاصطناعية مع بيانات حقيقية وتُزَوَّد لوكيل التعلم المعزز، ليتمرّن على مواجهة أنواع كثيرة من المشاكل قبل أن يواجهها الشبكة في الميدان.

ضبط السلوك عبر التطور

حتى الوكيل المتعلم الذكي يعتمد بشكل كبير على إعداداته الداخلية، مثل سرعة التعلم، مقدار تقديره للمكافآت المستقبلية، ومدى تردده في استكشاف أفعال جديدة. بدلاً من اختيار هذه الضوابط يدوياً، يستخدم المؤلفون طريقة بحث تطورية تُسمى التطور التفاضلي. يعاملون كل إعداد ممكن كفرد في مجموعة ويجعلونه «يتنافس» بناءً على مدى جودة تحكّم الوكيل الناتج في الشبكة خلال المحاكاة. من خلال الطفرات المتكررة والدمج واختيار أفضل المرشحين، يتقارب الأسلوب نحو فرط-بارامترات تجعل التعلم أسرع وأكثر استقراراً ومناسباً لظروف الشبكة المتغيرة. هذا الطبق التطوري يلتف حول وكيل التعلم، حيث يشحذ أداءه تدريجياً.

تجريب الإطار

قيّم الباحثون EvoGenRL باستخدام مجموعة بيانات متاحة علناً لنشاط شبكات الاستشعار ومحاكيات شبكية مفصّلة. قارنوه بعدد من مخططات التوجيه والتحسين المعيارية المستقاة من الأدبيات الحديثة. عبر تجارب متكررة ومقاسات لأحجام شبكة ومعدلات أعطال مختلفة، استخدم الإطار الجديد طاقة أقل باستمرار، وحافظ على عدد أكبر من العقد حية لفترة أطول، وحقق اتصالات أكثر استقراراً. بالأرقام، خفّض EvoGenRL استهلاك الطاقة إلى نحو 2.2 جول لكل عقدة، ومدد عمر الشبكة إلى 1700 دورة، وزاد نسبة الحزم المرسلة بنجاح إلى 99.7 في المئة. كما قلّل زمن عبور البيانات عبر الشبكة إلى بضع ملّي-ثوانٍ وزاد معدل نقل البيانات الإجمالي، مما يعني أن الشبكة يمكن أن تبقى سريعة الاستجابة حتى أثناء توفير الطاقة.

ماذا يعني هذا للتكنولوجيا اليومية

بعبارة بسيطة، يُعلّم EvoGenRL شبكة الحساسات كيف تعتني بنفسها. عبر محاكاة أنواع عديدة من الأعطال، وتعلم الاستجابات الأكثر فعالية، ومواءمة سلوكها باستمرار، يمكن للنظام إطالة عمر البطاريات والحفاظ على تدفق البيانات رغم الأعطال والظروف المتغيرة. هذا يجعله جذاباً للاستخدامات الحرجة مثل المراقبة الطبية، والتحكم الصناعي، والمراقبة البيئية، حيث تكون زيارات الصيانة مكلفة أو خطرة ولا يُطاق التوقف. بينما لا يزال النهج يحتاج قدرة حوسبية ملحوظة أثناء التدريب، فإنه يقدم مخططاً واعداً لشبكات ذاتية الإدارة مستقبلية أكثر ذكاءً ومرونةً وأكثر لطفاً بميزانيات الطاقة المحدودة لديها.

الاستشهاد: Lakshmi, S., Aswath, S., Swaminathan, A. et al. Evolutionary reinforcement learning framework for energy-efficient fault resilience and topological stability in WSNs. Sci Rep 16, 11769 (2026). https://doi.org/10.1038/s41598-026-38518-3

الكلمات المفتاحية: شبكات الاستشعار اللاسلكية, شبكات موفرة للطاقة, أنظمة مقاومة للأخطاء, التعلم المعزز, النماذج المولّدة